NVIDIA lança Nemotron 3.5 Transcribe, modelo aberto para transcrição em 40 idiomas

A NVIDIA lançou o Nemotron 3.5 Transcribe, um modelo de transcrição de fala com pesos abertos que combina um encoder de áudio, diarização e um LLM mixture-of-experts. Publicado em 28 de outubro de 2026, o modelo atende 40 idiomas e foi desenhado para produzir diferentes estilos de transcrição a partir de instruções em linguagem natural — incluindo transcrição literal, texto normalizado, atribuição de falantes, tradução e marcações temporais por palavra.

O que o Nemotron 3.5 Transcribe entrega

A NVIDIA descreve o lançamento como um modelo de linguagem aumentado por fala, ou SALM. A arquitetura une um encoder Transformer para áudio, um modelo congelado de diarização Nemotron 3 e o Nemotron 3.5 Lightning 30B-A3B, um LLM híbrido Mamba–Transformer com mixture-of-experts. Embora tenha cerca de 30 bilhões de parâmetros totais, a empresa informa aproximadamente 4,3 bilhões de parâmetros ativos durante a inferência.

A diferença prática em relação a muitos sistemas de ASR é que o modelo não se limita a devolver uma única convenção de texto. Uma mesma gravação pode exigir números escritos por extenso ou em algarismos, remoção de hesitações, termos específicos de uma empresa, identificação de interlocutores ou tradução. O Nemotron 3.5 Transcribe escolhe o formato solicitado por instrução, sem exigir retreinamento para cada estilo, segundo a página técnica da NVIDIA.

O modelo também cobre áudio de até uma hora e pode retornar timestamps por palavra associados a cada falante. Para chamadas, reuniões, entrevistas e suporte, essa combinação é relevante porque transcrever o conteúdo sem distinguir quem falou reduz muito o valor operacional do resultado.

Resultados divulgados e como interpretá-los

A NVIDIA informa média de 4,71% de WER nos nove testes públicos do English Open ASR Leaderboard e 4,62% de WER no leaderboard multilíngue. WER, ou taxa de erro por palavra, é uma métrica útil, mas não resume toda a qualidade de uma transcrição. Ela não mede sozinha se nomes próprios foram reconhecidos, se falantes foram atribuídos corretamente, se a pontuação é adequada nem se um texto atende ao padrão editorial ou jurídico exigido por uma organização.

Em um benchmark chamado ContextASR-Bench, a empresa afirma reduzir em seis vezes os erros de entidades nomeadas quando recebe uma lista de termos esperados. Isso é especialmente importante em contextos com marcas, produtos, medicamentos, siglas e nomes de pessoas. Ainda assim, listas de contexto podem introduzir viés: se uma entidade fornecida estiver errada, o sistema pode ser levado a preferi-la. A validação humana continua necessária em registros legais, médicos, financeiros e jornalísticos.

A NVIDIA também afirma que o modelo supera sistemas em cascata especializados na transcrição com atribuição de falantes em áudio com múltiplas pessoas e sobreposição de vozes. A alegação deve ser lida dentro dos conjuntos de avaliação reportados pela própria empresa; uma implantação precisa medir o desempenho no idioma, microfone, ruído e vocabulário do caso de uso real.

Eficiência, pesos abertos e infraestrutura

Para acelerar a inferência, o projeto usa previsão especulativa de múltiplos tokens e oferece um modelo auxiliar DFlash2. A NVIDIA declara que a combinação do checkpoint NVFP4 com DFlash2, servida pelo Nemotron Transcribe NIM, pode transcrever até 2.238 segundos de áudio por segundo em uma GPU RTX PRO 6000 Blackwell. Esse número é uma referência de laboratório e de hardware específico, não uma garantia de throughput para qualquer servidor.

Os checkpoints foram publicados em variantes BF16, FP8, NVFP4, GGUF e DFlash2, além de integração com o toolkit NeMo Speech. Isso abre opções diferentes: organizações com infraestrutura NVIDIA podem buscar maior desempenho com formatos de precisão reduzida; desenvolvedores interessados em experimentar localmente podem avaliar a versão GGUF, respeitando os requisitos de memória e as limitações de compatibilidade do seu runtime.

A licença anunciada é OpenMDW-1.1. “Pesos abertos” não é sinônimo automático de uso irrestrito: antes de integrar o modelo a um produto, empresas devem revisar a licença, os termos dos repositórios, os requisitos de distribuição e as regras de tratamento de dados de voz.

Aplicações práticas no Brasil

Em português brasileiro, um modelo multilíngue e instruível pode interessar a operações de atendimento, centrais de vendas, transcrição de entrevistas, indexação de acervos audiovisuais e acessibilidade. A possibilidade de fornecer termos esperados pode ajudar empresas com catálogos próprios, nomes de clientes ou terminologia técnica. A diarização e os timestamps também facilitam auditorias, busca em gravações e geração de resumos posteriores por outro modelo.

Mas áudio é dado pessoal em muitas situações. A LGPD exige que a organização tenha base legal e controles compatíveis com a finalidade do tratamento. Rodar pesos abertos em infraestrutura própria pode ajudar a reduzir a exposição a terceiros, porém não dispensa política de retenção, controle de acesso, criptografia, registro de consentimento quando aplicável e processo para corrigir transcrições incorretas.

Limitações que permanecem

O lançamento não elimina ruído, sotaques, microfones ruins, sobreposição extrema de fala ou ambiguidades do idioma. Timestamps por palavra e identificação de falantes também podem falhar justamente em momentos críticos de uma conversa. A documentação menciona adaptação a novos idiomas, domínios e tarefas em uma GPU, mas o custo e a qualidade dessa adaptação dependerão de dados representativos e de uma avaliação independente.

Análise do NoticIA

Na análise do NoticIA, o aspecto mais relevante do Nemotron 3.5 Transcribe é unir transcrição, contexto, diarização e formatação em uma interface baseada em instruções. Hoje, muitas pilhas corporativas combinam vários serviços para alcançar esse resultado. Um modelo único pode simplificar a arquitetura, mas só será vantajoso se a equipe medir o custo total — GPU, armazenamento, monitoramento e revisão humana — contra a alternativa de serviços especializados.

A recomendação é começar com um conjunto de áudios reais, previamente autorizados e revisados por pessoas. Compare WER, erros de entidades, qualidade da diarização, latência e custo por hora de áudio. Para usos sensíveis, não transforme a transcrição em fonte única de verdade: preserve o áudio original e um caminho de conferência.

Fontes consultadas

• Página técnica oficial da NVIDIA
• Pesos e model card no Hugging Face
• Cobertura independente do MarkTechPost